Base

Essa base de dados é pública e disponíbilizada para pesquisa. Os detalhes estão disponíveis em P. Cortez, A. Cerdeira, F. Almeida, T. Matos E J. Journey. Modelagem de preferências de vinhos por mineração de dados a partir de propriedades físico-químicas.Nos sistemas de apoio à decisão, Elsevier, 47 (4): 547-553. ISSN: 0167-9236.Disponível em: [@Elsevier] http://dx.doi.org/10.1016/j.dss.2009.05.016 [Pré-imprensa (PDF)] http://www3.dsi.uminho.pt/pcortez/winequality09.pdf [Bib] Http://www3.dsi.uminho.pt/pcortez/dss09.bib

A base de dados tem 6497 observações de vinhos portugueses tintos e brancos. Essas observações são compostas por 11 (onze) variáveis quantitativas continuas contendo valores apurados em testes físico-quimicos a respeito das suas características ou composições, 1 (uma) variável quantitativa continua que poderá ser convertida em categórica ordinal, pois indica a qualidade do vinho baseada em dados sensoriais apurada pela mediana de pelo menos 3 avaliações efetuadas por peritos em vinhos, e esta será a nossa variável ‘target’, e 1 (uma) variável categorica nominal indicando o tipo do vinho (tinto ou branco). O nosso objetivo é através da inferência estatística descobrir se existe alguma correlação entre qualidade do vinho e os valores dos seus atributos. Essa relação causal deverá explicar o porquê um vinho foi considerado melhor ou pior que o outro baseado em suas caracteristicas físico-quimicas.

## 'data.frame':    6497 obs. of  13 variables:
##  $ fixedacidity      : num  6.6 6.7 10.6 5.4 6.7 6.8 6.6 7.2 5.1 6.2 ...
##  $ volatileacidity   : num  0.24 0.34 0.31 0.18 0.3 0.5 0.61 0.66 0.26 0.22 ...
##  $ citricacid        : num  0.35 0.43 0.49 0.24 0.44 0.11 0 0.33 0.33 0.2 ...
##  $ residualsugar     : num  7.7 1.6 2.2 4.8 18.8 ...
##  $ chlorides         : num  0.031 0.041 0.063 0.041 0.057 0.075 0.069 0.068 0.027 0.035 ...
##  $ freesulfurdioxide : num  36 29 18 30 65 16 4 34 46 58 ...
##  $ totalsulfurdioxide: num  135 114 40 113 224 49 8 102 113 184 ...
##  $ density           : num  0.994 0.99 0.998 0.994 1 ...
##  $ pH                : num  3.19 3.23 3.14 3.42 3.11 3.36 3.33 3.27 3.35 3.11 ...
##  $ sulphates         : num  0.37 0.44 0.51 0.4 0.53 0.79 0.37 0.78 0.43 0.53 ...
##  $ alcohol           : num  10.5 12.6 9.8 9.4 9.1 9.5 10.4 12.8 11.4 9 ...
##  $ quality           : int  5 6 6 6 5 5 4 6 7 6 ...
##  $ Vinho             : Factor w/ 2 levels "RED","WHITE": 2 2 1 2 2 1 1 1 2 2 ...

Descritivo sobre as variáveis

Atributos Descrição
fixedacidity (Acidez fixa) a maioria dos ácidos presentes no vinho ou fixos ou não voláteis (não evaporaram prontamente)
volatileacidity (Acidez volátil) a quantidade de ácido acético no vinho, que em níveis muito altos pode levar a um gosto desagradável de vinagre.
citricacid (Ácido cítrico) encontrado em pequenas quantidades, o ácido cítrico pode adicionar “frescura” e sabor aos vinhos.
residualsugar (Açúcar residual) a quantidade de açúcar restante ao término da fermentação, é raro encontrar vinhos com menos de 1 grama / litro. Vinhos com mais de 45 gramas / litro são considerados doces.
chlorides (Cloretos) a quantidade de sal no vinho.
freesulfurdioxide (Dióxido de enxofre livre) a forma livre de SO2 existe em equilíbrio entre o SO2 molecular (como gás dissolvido) e o íon bissulfito; impede o crescimento microbiano e a oxidação do vinho.
totalsulfurdioxide (Dióxido de enxofre total) quantidade de formas livres e encadernadas de S02; em baixas concentrações, o SO2 é quase indetectável no vinho, mas nas concentrações de SO2 livre acima de 50 ppm, o SO2 se torna evidente no nariz e no sabor do vinho.
density (Densidade) a densidade da água é próxima à da água, dependendo do percentual de álcool e teor de açúcar.
pH descreve como o vinho é acídico ou básico numa escala de 0 (muito ácido) a 14 (muito básico); a maioria dos vinhos tem entre 3-4 na escala de pH.
sulphates (Sulfatos) um aditivo de vinho que pode contribuir para os níveis de gás de dióxido de enxofre (S02), que age como um antimicrobiano e antioxidante.
alcohol (Álcool) o teor alcoólico percentual do vinho.
quality (Qualidade) variável de saída (com base em dados sensoriais) que poderiam ser de 0 a 10 sendo zero muito ruim e 10 muito excelente.

No sumário das variáveis podemos notar alguns atributos com grande dispersão sugerindo a presença de outliers, como por exemplo: o açucar residual, a acidez cítrica, o dióxido de exofre total, o dióxido de enxofre livre, o álcool. Podemos notar que na nossa base de dados temos avaliados muito mais vinhos brancos do que tintos.

##   fixedacidity    volatileacidity    citricacid     residualsugar  
##  Min.   : 3.800   Min.   :0.0800   Min.   :0.0000   Min.   : 0.60  
##  1st Qu.: 6.400   1st Qu.:0.2300   1st Qu.:0.2500   1st Qu.: 1.80  
##  Median : 7.000   Median :0.2900   Median :0.3100   Median : 3.00  
##  Mean   : 7.215   Mean   :0.3397   Mean   :0.3186   Mean   : 5.44  
##  3rd Qu.: 7.700   3rd Qu.:0.4000   3rd Qu.:0.3900   3rd Qu.: 8.10  
##  Max.   :15.900   Max.   :1.5800   Max.   :1.6600   Max.   :45.80  
##    chlorides       freesulfurdioxide totalsulfurdioxide    density      
##  Min.   :0.00900   Min.   :  1.00    Min.   :  6.0      Min.   :0.9871  
##  1st Qu.:0.03800   1st Qu.: 17.00    1st Qu.: 77.0      1st Qu.:0.9923  
##  Median :0.04700   Median : 29.00    Median :118.0      Median :0.9949  
##  Mean   :0.05603   Mean   : 30.53    Mean   :115.7      Mean   :0.9947  
##  3rd Qu.:0.06500   3rd Qu.: 41.00    3rd Qu.:156.0      3rd Qu.:0.9970  
##  Max.   :0.61100   Max.   :289.00    Max.   :440.0      Max.   :1.0140  
##        pH          sulphates         alcohol           quality     
##  Min.   :2.720   Min.   :0.2200   Min.   : 0.9567   Min.   :3.000  
##  1st Qu.:3.110   1st Qu.:0.4300   1st Qu.: 9.5000   1st Qu.:5.000  
##  Median :3.210   Median :0.5100   Median :10.3000   Median :6.000  
##  Mean   :3.219   Mean   :0.5313   Mean   :10.4862   Mean   :5.818  
##  3rd Qu.:3.320   3rd Qu.:0.6000   3rd Qu.:11.3000   3rd Qu.:6.000  
##  Max.   :4.010   Max.   :2.0000   Max.   :14.9000   Max.   :9.000  
##    Vinho     
##  RED  :1599  
##  WHITE:4898  
##              
##              
##              
##

Análise dos dados

Numa escala de 0 a 10 a menor nota de qualidade obtida foi 3 e a maior nota foi 9.

No atributo qualidade vimos uma distribuição com muito poucos registros considerados excelentes e ruins. A grande maioria dos vinhos foi classificada como normal (nem ruim, nem excelente), digamos, no meio termo da classificação.

##    
##      RED WHITE
##   3   10    20
##   4   53   163
##   5  681  1457
##   6  638  2198
##   7  199   880
##   8   18   175
##   9    0     5

Os vinhos brancos apresentam notas retativamente melhores do que as notas dos vinhos tintos.

##    
##             RED       WHITE
##   3 0.006253909 0.004083299
##   4 0.033145716 0.033278889
##   5 0.425891182 0.297468354
##   6 0.398999375 0.448754594
##   7 0.124452783 0.179665169
##   8 0.011257036 0.035728869
##   9 0.000000000 0.001020825

Apurando as médias dos atributos dos vinhos, por tipo de vinho, podemos notar que a qualidade, o álcool, a densidade e o PH apresentaram resultados muito próximos, apresentando pouca ou diferença insignificante, sugerindo a possibilidade de existência alguma correlação; entretanto os demais atributos apresentam consideráveis diferenças para suas médias.

Identificamos outliers em todas as variáveis da base.

Para a acidez volátil podemos identificar duas parábolas e outliers. Uma distribuição anormal não condizente por exemplo com a distribuição da qualidade.

Na comparação entre os vinhos tintos e brancos podemos verificar uma certa disparidade na maioria dos atributos exceto para a qualidade e o álcool.

Voltando a tomar como exemplo a acidez volátil e comparando os resultado agora segregados entre tinto e branco podemos verificar que as distribuição segregadas parecem mais normais.

Segregamos a análise por tipo de vinho. Para o vinho branco temos mais observações do que para o vinho tinto. A distribuição das notas de qualidade para o vinho branco tem distribuição semelhante a da amostra consolidada da base. A partir de agora a análise será realizada somente com os dados dos vinhos brancos.

##     quality       fixedacidity    volatileacidity    citricacid    
##  Min.   :3.000   Min.   : 3.800   Min.   :0.0800   Min.   :0.0000  
##  1st Qu.:5.000   1st Qu.: 6.300   1st Qu.:0.2100   1st Qu.:0.2700  
##  Median :6.000   Median : 6.800   Median :0.2600   Median :0.3200  
##  Mean   :5.878   Mean   : 6.855   Mean   :0.2782   Mean   :0.3342  
##  3rd Qu.:6.000   3rd Qu.: 7.300   3rd Qu.:0.3200   3rd Qu.:0.3900  
##  Max.   :9.000   Max.   :14.200   Max.   :1.1000   Max.   :1.6600  
##  residualsugar      chlorides       freesulfurdioxide totalsulfurdioxide
##  Min.   : 0.600   Min.   :0.00900   Min.   :  2.00    Min.   :  9.0     
##  1st Qu.: 1.700   1st Qu.:0.03600   1st Qu.: 23.00    1st Qu.:108.0     
##  Median : 5.200   Median :0.04300   Median : 34.00    Median :134.0     
##  Mean   : 6.387   Mean   :0.04577   Mean   : 35.31    Mean   :138.4     
##  3rd Qu.: 9.900   3rd Qu.:0.05000   3rd Qu.: 46.00    3rd Qu.:167.0     
##  Max.   :45.800   Max.   :0.34600   Max.   :289.00    Max.   :440.0     
##     density             pH          sulphates         alcohol     
##  Min.   :0.9871   Min.   :2.720   Min.   :0.2200   Min.   : 8.00  
##  1st Qu.:0.9917   1st Qu.:3.090   1st Qu.:0.4100   1st Qu.: 9.50  
##  Median :0.9937   Median :3.180   Median :0.4700   Median :10.40  
##  Mean   :0.9940   Mean   :3.188   Mean   :0.4898   Mean   :10.51  
##  3rd Qu.:0.9961   3rd Qu.:3.280   3rd Qu.:0.5500   3rd Qu.:11.40  
##  Max.   :1.0140   Max.   :3.820   Max.   :1.0800   Max.   :14.20
##                         quality fixedacidity volatileacidity   citricacid
## quality             1.000000000  -0.11366283     -0.19472297 -0.009209091
## fixedacidity       -0.113662831   1.00000000     -0.02269729  0.289180698
## volatileacidity    -0.194722969  -0.02269729      1.00000000 -0.149471811
## citricacid         -0.009209091   0.28918070     -0.14947181  1.000000000
## residualsugar      -0.098463258   0.08881824      0.05926646  0.093176823
## chlorides          -0.209934411   0.02308564      0.07051157  0.114364448
## freesulfurdioxide   0.008158067  -0.04939586     -0.09701194  0.094077221
## totalsulfurdioxide -0.174737218   0.09106976      0.08926050  0.121130798
## density            -0.313214730   0.26843806      0.01577901  0.148530582
## pH                  0.099427246  -0.42585829     -0.03191537 -0.163748211
## sulphates           0.053677877  -0.01714299     -0.03572815  0.062330940
## alcohol             0.435574715  -0.12088112      0.06771794 -0.075728730
##                    residualsugar   chlorides freesulfurdioxide
## quality              -0.09846326 -0.20993441      0.0081580671
## fixedacidity          0.08881824  0.02308564     -0.0493958591
## volatileacidity       0.05926646  0.07051157     -0.0970119393
## citricacid            0.09317682  0.11436445      0.0940772210
## residualsugar         1.00000000  0.08833989      0.3027757258
## chlorides             0.08833989  1.00000000      0.1013923521
## freesulfurdioxide     0.30277573  0.10139235      1.0000000000
## totalsulfurdioxide    0.40421259  0.19891030      0.6155009650
## density               0.83568342  0.25986464      0.3026089630
## pH                   -0.19675874 -0.09043946     -0.0006177961
## sulphates            -0.02829942  0.01676288      0.0592172458
## alcohol              -0.45499024 -0.36018871     -0.2501039415
##                    totalsulfurdioxide     density            pH
## quality                  -0.174737218 -0.31321473  0.0994272457
## fixedacidity              0.091069756  0.26843806 -0.4258582910
## volatileacidity           0.089260504  0.01577901 -0.0319153683
## citricacid                0.121130798  0.14853058 -0.1637482114
## residualsugar             0.404212587  0.83568342 -0.1967587402
## chlorides                 0.198910300  0.25986464 -0.0904394560
## freesulfurdioxide         0.615500965  0.30260896 -0.0006177961
## totalsulfurdioxide        1.000000000  0.53909148  0.0023209718
## density                   0.539091482  1.00000000 -0.0976985163
## pH                        0.002320972 -0.09769852  1.0000000000
## sulphates                 0.134562367  0.07286189  0.1559514973
## alcohol                  -0.448892102 -0.79667757  0.1214320987
##                      sulphates     alcohol
## quality             0.05367788  0.43557472
## fixedacidity       -0.01714299 -0.12088112
## volatileacidity    -0.03572815  0.06771794
## citricacid          0.06233094 -0.07572873
## residualsugar      -0.02829942 -0.45499024
## chlorides           0.01676288 -0.36018871
## freesulfurdioxide   0.05921725 -0.25010394
## totalsulfurdioxide  0.13456237 -0.44889210
## density             0.07286189 -0.79667757
## pH                  0.15595150  0.12143210
## sulphates           1.00000000 -0.01743277
## alcohol            -0.01743277  1.00000000

Para melhorar a performance preditiva promoveremos a redução de dimensionalidade. Analisando os componentes principais será descartada a variável “residualsugar” devido a sua alta correlação com a variável “density” e a sua menor variância, assim como, será descartada a variável “freesulfurdioxide” devido a sua alta correlação com a variável “totalsulfurdioxide” e sua menor variância descartando-se os outliers.